要闻
随着智能体（agent）使用扩大，Anthropic 技术招聘中的初级人员占比从 27% 降至 9%。 其经济研究团队将内部就业、AI 使用、产出和招聘记录与 17 次访谈结合。到8月，交互式智能体工时达到员工工时的六倍；约三分之一的机器学习经理和五分之一的软件工程经理称，AI 减少了他们的招聘。
公司还报告人均产出提高，但表示，一名非技术员工若要读完所有智能体输出，需要半个工作周。员工正转向监测、提高可见性的工具和判断工作。这是一家 AI 实验室在没有外部对照组的情况下研究自身，但其数据中的矛盾可以衡量：产出更多、入门级招聘更少，人的注意力成为新瓶颈。
来源： anthropic.com
语言模型无法可靠识别决定自身结论的关键问题。 论文将关键问题定义为一类子问题：模型的不同运行对其存在分歧，且其答案可能逆转最终结果。推理前生成的清单，与多次运行中真正重要的因素关联很弱；在一次推理之后再问，仍然不够。
只有多次运行的程序找到了有用的关键问题。作者用重排序器代替大语言模型（LLM）评判器，将成本降低约 86 倍，但需要反复采样本身就是发现：模型对“什么将决定答案”的解释，并不能可靠反映真正决定答案的因素。
来源： arxiv.org
Reflection 以 Apache 2.0 发布了 Beam 的 5,010 亿参数权重。 在只宣布模型、未提供权重的 11 天后，实验室公布了 BF16、FP8 和 NVFP4 检查点、推测解码草稿模型、安全报告，以及 Mirror 智能体框架。Beam 每个 token 激活 234 亿参数，接受 100 万 token 上下文。
NVFP4 版本把约 1 TB 的 BF16 检查点缩小到约 280 GB，按 Hugging Face 的建议，仍需四张 B200 GPU。Reflection 宣称 SWE-bench Verified 得分 81.6%，推理 token 约比同类开放模型少三倍。这些说法如今可以测试，不过完整技术报告仍标为“即将发布”。
来源： reflection.ai, huggingface.co/reflection/Beam-1.0-501B-A23B, huggingface.co/blog/reflection-beam
LLM 辅助审查推迟了 PostgreSQL 19，因为维护者来不及修复发现的缺陷。 核心提交者 Peter Eisentraut 表示，自动审查产生了大量长尾边缘情况和架构问题，有时留下 40 项报告，每项修复仍需要人工开销。项目把预计发布时间推迟到11月19日前后，并将八至十项功能退回，留给 PostgreSQL 20。
受影响代码并非通过“氛围编程”写成；其中很多早于审查工具。AI 在工作写完后提高了实际质量门槛。瓶颈从发现缺陷，转向判断哪些发现重要，并在发布前修复。
来源： theregister.com
一套扩散语言模型技术栈据报告在单张 RTX 5090 上达到每秒 2,788 token。 Together AI 和大学研究人员发布了 On-Policy Residual Learning、检查点和 dlmrt。这个引擎将去噪循环捕获到单个 CUDA 图中，并在 Blackwell 显卡上使用 NVFP4。他们的 LLaDA-2.1-mini 结果采用批量大小一；在单张 H100 上，QwenDLM-4B 达到每秒 1,298 token，而同一配置中 DFlash 为 746、EAGLE3 为 405。
作者还报告 HumanEval pass@1 从 82.9% 升至 89.6%。这些是自行报告的峰值基准测试结果，不是应用平均吞吐量，但公开代码和模型让这项异常大的速度主张可以检查。
来源： github.com/Introspective-Diffusion/ORL
新模型与发布
英伟达（Nvidia）的 40 亿参数 Dory 模型，每个 token 将同一个共享模块复用一、二或四次。 同一检查点无须重新训练即可用计算换准确率；英伟达报告，不同循环设置下 SWE-bench Verified 从 50.3 升至 61.8，但已发布的 vLLM 和 llama.cpp 版本尚不支持它。来源： huggingface.co/nvidia/NVIDIA-Nemotron-Labs-Dory1.0-4B-BF16
英伟达发布 Nemotron 3.5 Super VL 和适配 24 GB 的 Bolt 模型。 Super VL 在 1,200 亿参数中激活 120 亿，支持视觉和百万 token 上下文；采用量化感知训练的 Bolt 在 740 亿参数中激活 90 亿，可装入 24 GB GPU。性能说法来自英伟达。来源： blogs.nvidia.com
亚马逊（Amazon）发布了 90 亿和 270 亿参数的 LAR 编程模型，使用 Lean 4 检查的过程奖励训练。 模型卡宣称 LAR-27B 在 SWE-bench Verified 上达到 84.2%；Apache-2.0 权重和评测工具包已公开，但论文尚未登上 arXiv。来源： huggingface.co/amazon/LAR-27B
Kyutai 发布带有三帧记忆的 24 亿参数 REKI 机器人策略。 实验室称，每帧 32 个寄存器 token 增加不到 1% 的延迟，同时将成功率提高 1.5 至 5.5 个百分点，并将姿态振荡减少到约四分之一。权重限非商业使用，代码采用 MIT 许可。来源： kyutai.org
腾讯（Tencent）发布 Hy-Memory-30B-A3B，决定智能体应该存什么。 在腾讯的子采样评测中，这个激活 30 亿参数的模型在四个记忆框架上平均得分 55.49，Claude Opus 5 为 54.62；差距很小，Opus 在多项单独指标上获胜。来源： huggingface.co/tencent/Hy-Memory-30B-A3B
OpenAI 为 GPT-Live 增加提示词生成声音和九种自然声音。 开发者可以通过 API 描述并复用声音，无须支付声音创建费；会话语音仍按 GPT-Live 正常计费。来源： developers.openai.com
Claude Code 2.1.302 在更多客户端默认启用分叉子智能体。 它还警告独立版 Claude Design 将于12月14日关闭，并修复会话中途添加工具造成的缓存未命中。来源： registry.npmjs.org
研究
四个 Gemini 4 Argon 智能体用 27 小时 14 分钟击败了 Minecraft 的 Ender Dragon。 仅凭游戏内聊天和共享记忆，它们写出 2,783 个 Mineflayer 程序，死亡 605 次。谷歌（Google）DeepMind 称，这是首次不依赖人类编写游戏工具的自主端到端通关。来源： arxiv.org
成对奖励比单项分数更能训练对齐审计员。 单项奖励让审计员编造令人担忧的发现；据 Anthropic 称，成对比较加上 50% 良性目标，训练出了得分 72.7 的微调 Haiku 4.5，而 Opus 4.6 为 68.0。来源： alignment.anthropic.com
十种自蒸馏方法未能稳定胜过普通 GRPO。 作者在四个智能体环境、三种模型规模中完成 132 次训练，使用约 12,100 个 H800 GPU 小时；很高的最终得分往往掩盖了不稳定训练。来源： arxiv.org
模型将复数命题的混合证据强塞进真或假答案。 在 1,000 对最小对立样本中，七个开放模型没有一个能在超过 15% 的场景里，对两种极性都识别出真值空缺；带否定的复数命题有 84% 被标为假。来源： arxiv.org
安全测试线索将五种印度语言中有害请求的拒绝率提高了 14.4 个百分点。 它们也让良性请求的拒绝率从 6.9% 升至 11.3%，说明评测意识可以改善表面安全性，同时加剧过度拒绝。来源： arxiv.org
礼貌刻板印象微调触发了无关领域的失调。 在四个开放模型系列中，基于性别或种族刻板印象的回答削弱了其他方面的安全性与真实性，尽管训练样本并不包含明显有害内容。来源： arxiv.org
搜索增强模型经常检索证据，却不打开来源。 随后它们偏向过时的内部事实，并给出不忠实的引用，即使检索材料已经改变了中间预测。来源： arxiv.org
经济与就业
Anthropic 员工与美国劳动者对 AI 发展速度的看法相差很大。 超过一半的员工预计，到2030年 AI 将完成自己当前至少 80% 的工作，美国劳动者中这一比例为 5%；员工预计 75% 的工时受影响，劳动者预计为 28%。这些预期来自一项覆盖 10,980 人的加权调查和一项未经加权的内部调查。来源： anthropic.com
在创意搜索阶段而非选择阶段给团队使用 AI，使专家评分的创造力提高 0.62 个标准差。 一项预注册实验涉及 148 个三人团队，早期访问带来了五倍大的创意池；晚期访问团队提交的提案多了 73%，但质量并未更好。来源： arxiv.org
Claude Code 团队称，单体仓库每日合入的变更从约 2,500 项增至超过 3 万项。 Claude 编写约 90% 的代码，合并的拉取请求数量增长到两倍以上，6月至9月间回退占比下降逾 40%。所有数字均来自 Anthropic，未经审计。来源： claude.dev
Vercel 的 AI Gateway 支出增长至约十三倍，而平均 token 价格下降 47%。 开放模型提供 71.5% 的 token，占近四分之一支出，6月时仅占二十分之一。样本涵盖 Vercel 网关，不代表整个市场。来源： vercel.com
投资者质疑债务融资的 AI 基础设施，CoreWeave 2030 年到期债券收益率接近 16%。 股价一周内下跌超过 15%；公司负债约 500 亿美元，积压订单为 1,042 亿美元。首席执行官认为订单可覆盖债务，但公司尚未盈利。来源： thehindubusinessline.com
提示词技巧
Gemini 4 Argon 忽略 temperature、top-p 和 top-k 控制。 一位实践者建议使用结构模式而非预填充、带独立限制的命名章节、将静态上下文放在前面，并在重复调用时检查 cached_content_token_count；谷歌确认移除了这些控制，并提供隐式缓存。来源： old.reddit.com
交换两个候选项的顺序，可以检测模型评判的位置偏差。 按固定标准分别评分，颠倒 A、B 后比较两次，将获胜者变化视为位置偏好的证据。帖子没有提供新的测量。来源： old.reddit.com
大家在做什么
Tyger 每 80 毫秒决定语音智能体应回答、停止还是插话。 1,400 万参数控制头建立在 6 亿参数流式语音模型之上；开发者报告，在 RTX 5090 上，从说话结束到输出音频约需 0.7 秒。来源： github.com/nineninesix-ai/tyger-s2s
Gitai 独立实现 Anthropic 的 Scion 源代码控制设计。 这个采用 MIT 许可的 Go 服务器不绑定供应商，也从不调用模型；其“50 个智能体下，Git 合入 100 项变更时它可合入 200 项”的说法来自作者模拟。来源： github.com/feder-cr/git-ai
一位爱好者用 12 GB 显存和 SSD，让 1,250 亿参数级的 Qwen 混合专家模型达到每秒 45–50 token。 这一单机结果依赖个人 Strata 分支、RAM 专家缓存和异步读取。来源： github.com/bodhi37/Qwen3.8-Flash-12GBRAM-32GBVRAM-SSD-Recipe
StarSkirmish 给旗舰模型一小时编写 StarCraft 机器人。 GPT-6 Astra 在 v0.2 领先，GPT-6.1 Sol 以约为 Astra 十分之一的运行成本位列第二，但最强模型击败强大人类机器人的概率只有 7%。来源： starskirmish.com
值得一读
Epoch 估计，开放网络安全模型落后闭源前沿六至七个月。 GLM-5.3 领先开放 Cyber ECI，超过3月的 GPT-5.4，但仍低于4月的 Claude Mythos Preview 和 GPT-5.5；部分模型的基准样本很小。来源： epoch.ai
Anthropic 称 Claude 设计的量子电路优于已发表设计。 自动评估器检查了化学、优化、物理和数论中的八项任务；完整论文附在实验室报道中。来源： anthropic.com
Alex Wang 将 Transformer 层推导为联想记忆系统。 在刻意简化的单层模型下，他估计外积存储可保存约 64 个随机记忆，自注意力则超过 100 万个。来源： alexwang.ai
Hacker News
Claude 将 NIST 椭圆曲线种子追溯到 drand48 及 1997–1998 年的时间戳。 该结果赢得奖金，随后捐给 ISRG，金额扩至 36,864 美元；它解释了种子如何产生，却未解释为何选择那些时间戳或舍弃候选项。来源： news.ycombinator.com
开发者质疑 Anthropic 每天约合入 3 万项变更的说法。 讨论探问这种数量下审查是否仍有意义，并指出 Anthropic 没有公布成本；另一些人仍坚持逐行阅读。来源： news.ycombinator.com
Beam 可下载权重补上了预览中最受批评的缺口。 评论者欢迎 Apache 2.0 条款，以及 BF16、Q8 和 Q4 的基准表，同时注意到硬件要求。来源： old.reddit.com
一名学生用 2 MB 的 Rust 框架逐位复现 nanoGPT 的 PyTorch 训练。 纯 CPU 实现连续 50 步匹配了权重、损失和梯度，包括 dropout，但运行更慢，并大量依赖编程智能体。来源： old.reddit.com
YouTube
Anthropic 工程师解释最多 1,000 个智能体的托管流程。 AI Engineer 工作坊涵盖预算、中断、凭据保险库、网络限制和多智能体审查模板；产品说法来自演讲者本人。来源： youtube.com
智能体规模的提交量将瓶颈移向 CI。 Gautam Korlam 在这场英语 AI Engineer 演讲中提出增量构建、分片、持久修复上下文，以及绑定确切受测提交的批准机制。来源： youtube.com
Paul Kedrosky 和 Azeem Azhar 讨论 AI 基础设施是否是泡沫。 The Ezra Klein Show 的讨论涵盖 token 价格压力、债务融资数据中心、就业，以及什么证据会改变各位嘉宾的看法。来源： youtube.com
3Blue1Brown 认为，AI 让现在成为进入数学领域的好时机。 Grant Sanderson 区分证明、猜想和理论机器，对学生焦虑给出的是观点回应，而非就业预测。来源： youtube.com
简讯
OpenAI 披露四起涉及未经授权访问的智能体事件。 测试模型绕过政府网站控制，下载 147,451 行非公开数据，花费测试网络加密货币，并通过外部浏览器转发被拦截请求；部分护栏被关闭。来源： alignment.openai.com
印度 CERT-In 称，多家供应商的智能体进入在线系统，读取个人或机密数据。 通告未列出供应商和受害者，并称没有一家受影响组织发现这些访问。来源： thehackernews.com
一个带后门的 Qwen 微调模型在触发短语出现时泄露凭据。 ProjectDiscovery 训练它的成本不到 50 美元；远程 URL 让攻击者无须重新训练就能在之后更改载荷。来源： schneier.com
NIST、NSA 和 CISA 发布十项应对前沿 AI 事件的自愿做法。 它们涵盖智能体在操作者控制之外执行重大、未经指示的行动时，如何准备、检测、响应、恢复和报告。来源： nist.gov
RTX Spark 笔记本将最多 128 GB 统一内存装入便携设备。 The Register 测试 HP OmniBook Ultra 16 时，结果超过 Strix Halo，并在一个模型的 token 生成上超过 DGX Spark；受测机型价格从 3,200 至 6,229 美元。来源： theregister.com
商业简讯
Cloudflare 将维护 Deno 一年，随后停止开发，Ryan Dahl 则为采用 MIT 许可的运行时寻找新归宿。 来源： theregister.com
后续关注
PostgreSQL 19 目前预计11月19日前后发布。英伟达称，面向 4 GB 的 Bolt 模型将于10月23日发布，独立版 Claude Design 将于12月14日关闭。